1.无线传感网络中基于多示例多标记学习的区域监测方法，其特征在于：包括两个过程：预测模型构建、网络状态预测与模型更新，所述模型构建过程如下：

(1)收集T个时刻的传感网络数据，构成数据集Do＝{(Nt,Yt)，t＝1,2,...,T}，Nt＝{st,1,st,2,...,st,i,...,st,M}表示时刻t时传感器网络收集到的数据，st,i表示时刻t时第i个传感器收集的数据，M为整个传感器网络的传感器的总数，Yt＝{yt,1,yt,2,...,yt,l,...,yt,L}表示时刻t时传感器网络的状态向量，Yt有L种需要监测的状态yt,l，l＝1,2,…,L，yt,l的取值由人为判断，yt,l取1表示传感器网络正处于l状态，否则yt,l取0；

(2)利用最大似然估计求解数据集Do的混合高斯模型；

(3)对Do中的所有Nt，利用基于混合高斯模型的Fisher Kernel核函数，将多示例数据Nt映射成单示例数据ft，从而得到数据集D＝{(ft,Yt),t＝1,2,...,T}；其中，将多示例数据映射成单示例数据的具体过程如下：对于某个多示例数据N＝{s1,s2,...,si,...,sM}，设整个样本集的概率密度函数p为混合高斯模型，则N取自该混合高斯模型的概率：式(1a)中，λ为在样本集上进行最大似然估计得到混合高斯模型的参数，λ＝{ωk,μk,Σk,k＝1,...,K}，K为混合高斯模型当中包含单高斯模型的个数，ωk代表第k个高斯模型占整个混合高斯模型的权重，且满足： μk和Σk分别为第k个高斯模型的均值向量和方差向量；

设pk为第k个高斯模型的概率密度函数，则有：

式(2a)中，d为传感器数据si的维度数目，由贝叶斯定理得到第i个示例取自第k个高斯分布的概率：根据γi(k)求得N的Fisher向量

(4)利用MMD(Maximum Mean Discrepancy，最大平均损失)数据集成技术，将数据集D中的冗余数据筛除，得到D的子数据集Dsub；其具体过程如下：对于一个数据集D＝{N1,N2,...,NT}，它的子集Dsub＝{αtNt|Nt∈D,t＝1,...,T,αt∈{0,

1}}，αt为样本选择权重，当子集Dsub中包含了Nt时，αt取1，否则αt取0；

将数据集D和Dsub之间的最大平均损失平方的最小值作为目标函数：s.t.Ts＝||α||1,α＝(α1,α2,...,αT)  (5a)式(5a)中，N′t表示取自子集Dsub的数据包，Ts为Dsub中的样本个数， 是自变量为Nt的非线性特征映射函数；

求出式(5a)的局部最优解，并根据人为设定的阈值σ，得到Dsub＝{Nt|αt＞σ}；

(5)以Dsub为训练集，训练一个基于快速多示例多标记分类算法的预测模型Yt＝Fy(ft)，清空数据集D；其具体过程如下：(a)从Dsub中随机抽取一个样本ft和它的一个相关标记y∈{yt,l|yt,l∈Yt,yt,l＝1}，计算ft对标记y的打分值Fy(ft)＝ωyWft，其中，ωy是标记y的权重向量，W是信息提取矩阵，用来对ft降维；

(b)从ft的标记集合中随机抽取一个无关标记 计算

如果 无关标记 没有违规，返回步骤(b)；如果

是一个违规的无关标记，记下当前总共抽样次数v，转到步骤(c)；

(c)根据抽样次数v估计模型的误差，利用误差对参数ωy, W更新；首先估计模型的误差：然后利用误差error(ft,y)构建基于三元组 的损失函数：求解梯度，更新参数 ωy,W：

ωy＝ωy+γ*error(ft,y)*Wft

上式中，γ为随机梯度下降法的学习速率；

(d)判断模型是否收敛，如果否，返回步骤(a)，如果是，输出最终模型，结束训练；

所述模型更新与网络状态预测过程如下：

(i)收集任意时刻的传感网络数据，利用Fisher Kernel核函数得到其单示例数据ft；

(ii)将ft输入到预测模型Yt＝Fy(ft)中，估测出网络当前所处状态Yt，根据估测状态，管理者做出响应动作，同时对Yt进行人工校验、更正，并将(ft,Yt)存入数据集D中；

(iii)重复步骤(ⅰ)、(ⅱ)，直到收集总共T个时刻的传感网络数据，构成新的数据集D＝{(ft,Yt),t＝1,...,T}；

(iv)利用MMD数据集成技术，将数据集D中的冗余数据筛除，重新得到D的子数据集Dsub；

(v)根据Dsub更新预测模型Yt＝Fy(ft)，清空数据集D。